Prognose und Prognoseunterstützung

Gewinne:

• Fähigkeit, KI als Assistenten zu positionieren, der hypothetische Szenarien bei der Einnahmen-/Ausgabenprognose generiert
• Fähigkeit, Prognoseaufforderungen mit Reichweite und Empfindlichkeit zu verfassen, die auf historischen Daten und expliziten Annahmen basieren
• Fähigkeit, die Grenzen von KI-Vorhersagen zu erkennen und sie mit menschlichem Urteilsvermögen zu verbinden

„Wie hoch wird unser Umsatz nächstes Jahr sein?“ ist eine der schwierigsten Fragen für das Finanzteam. Bei der Prognose handelt es sich um eine Vorhersage über die Zukunft auf der Grundlage vergangener Daten und Annahmen. Künstliche Intelligenz (KI) kann hier ein mächtiger Helfer sein; Aber man muss von Anfang an eine Tatsache akzeptieren: Das Modell kennt die Zukunft nicht. Es verarbeitet nur Muster und Annahmen, die Sie angeben. In dieser Einheit lernen wir, KI in ihrer richtigen Rolle bei der Prognose zu positionieren und ihre Grenzen zu erkennen.

Was macht KI in der Prognose und was nicht?

Dies geschieht: Fasst den vergangenen Trend zusammen, erkennt Saisonalität (wiederholte Schwankungen in bestimmten Monaten), erstellt Szenarien mit unterschiedlichen Annahmen, erklärt die Prognoselogik und fügt die Prognose in eine Erzählung ein.

Das ist nicht der Fall: Es kann keine genaue Zukunft angeben, es kann keine externen Schocks vorhersagen (Wechselkurskrise, Regulierungsänderung), es kann keine Tatsache kennen, die nicht in den Daten enthalten ist. Der von einem Chatbot geäußerte Satz „Sie werden nächstes Jahr um 18 % wachsen“ ist keine Prophezeiung, sondern eine mathematische Widerspiegelung der von Ihnen getroffenen Annahmen.

Tipp: Bitten Sie das Model niemals um eine „einzelne Zahl“. Fragen Sie immer nach einer Spanne und auf welchen Annahmen diese Spanne basiert. Der Satz „14-15M im Basisfall, Bedingung: aktuelle Wachstumsrate hält an“ ist viel ehrlicher und nützlicher als die einzelne „14,6M“.

Schritt für Schritt: Erstellen einer soliden Prognose

1. Geben Sie historische Daten an. Tritt zumindest für einige Zeiträume auf; Wenn möglich monatlich.
2. Schreiben Sie die Annahmen klar auf. Wachstumsrate, Saisonalität, bekannte Veränderungen.
3. Methode angeben. Einfacher Trend, saisonbereinigt oder szenariobasiert?
4. Fragen Sie nach Reichweite und Szenario. Optimist / Basis / Pessimist.
5. Bitten Sie um Sensibilität. „Welche Annahme verändert das Ergebnis am meisten?“

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Aufforderung: Sagen Sie meinen Umsatz im nächsten Jahr voraus. Dieses Jahr haben wir 12 Millionen gemacht.

Dies ergibt eine einzelne Zahl ohne Basis; Es ist unklar, auf welcher Annahme sie beruht, was für die Entscheidung gefährlich ist.

Starke Aufforderung: Ihre Rolle: ein Finanzplanungsanalyst. Aufgabe: Prognostizieren Sie die nächsten 12 Monate anhand der folgenden monatlichen Einkommensdaten. Methode: 1) Fassen Sie zunächst den Trend und die Saisonalität in historischen Daten zusammen. 2) Erstellen Sie drei Szenarien mit den folgenden Annahmen: - Basis: durchschnittliche Wachstumsrate der letzten 12 Monate bleibt bestehen - Optimistisch: Wachstum +3 Punkte - Pessimistisch: Wachstum -5 Punkte3) Geben Sie für jedes Szenario die 12-Monats-Gesamt- und Monatsspanne an.4) Abschnitt „Sensitivität“: Welche Annahme ändert sich, das Ergebnis ändert sich am meisten? Einschränkung: Listen Sie die Annahmen explizit auf. Geben Sie an, dass es sich bei der Schätzung um eine Vorhersage und nicht um eine Gewissheit handelt. Beachten Sie, dass Sie keine externen Schocks modellieren können.<data>Monatliche Umsatzzahlen Januar..Dezember</data>

Diese Aufforderung; Anstelle einer genauen Zahl werden ein begründeter Bereich, Szenarien und eine Sensitivitätsanalyse wie „Annahmesammlung/Wachstumsrate am gefährdetsten“ erstellt. Der Entscheidungsträger trifft Entscheidungen, indem er Unsicherheit sieht.

Saisonalität ist das am häufigsten übersehene Thema bei Prognosen. Die Umsätze vieler Unternehmen steigen und fallen in bestimmten Monaten regelmäßig: Eine Eismaschine hat im Sommer ihren Höhepunkt, ein Souvenirladen hat seinen Höhepunkt an den Feiertagen. Eine flache Trendlinie kann diese Schwankung nicht erkennen und wird den Aktien-, Personal- und Cashplan falsch aufstellen. Wenn Sie der KI genügend historische Daten (idealerweise mindestens 24 Monate) zur Verfügung stellen, wird sie dieses sich wiederholende Muster bemerken und die Prognose entsprechend anpassen.

Vorhersagemethoden und die Rolle der KI

Methode

Wann ist es angemessen?

KI-Beitrag

Grenze

einfacher Trend

Stabile, nicht saisonbezogene Daten

Erkennt den Trend schnell

Ich kann die Pausen nicht sehen

saisonale Korrektur

Der Umsatz schwankt von Monat zu Monat

Erklärt das saisonale Muster

Zu sehr an der Vergangenheit hängen

Szenariobasiert

Eine Zeit großer Unsicherheit

Testet Hypothesen schnell

Hängt von der Qualität der Annahme ab

Treiberbasiert

Wenn das Einkommen von mehreren Faktoren abhängt

Stellt eine Faktorbeziehung her

Der Mensch überprüft die Beziehung

Fahrerbasierte Vorhersage

Die Vorhersage des Umsatzes mit einem einzigen Wachstumsprozentsatz ist oft grob. Der robustere Weg besteht darin, den Umsatz durch seine Treiber zu dividieren: Umsatz = Anzahl der Kunden × durchschnittlicher Umsatz pro Kunde × Wiederholungshäufigkeit. Die separate Vorhersage und Multiplikation jedes Treibers führt zu einer Vorhersage, die sowohl genauer als auch fragwürdiger ist. weil man deutlich sieht, welche Annahme sich geändert hat.

Schätzen Sie mein Einkommen anhand der Fahrer. Umsatz = Anzahl aktiver Kunden × durchschnittlicher monatlicher Umsatz pro Kunde (ARPU). Extrahieren Sie diese beiden Treiber separat für die letzten 12 Monate, interpretieren Sie den jeweiligen Trend und prognostizieren Sie dann die nächsten 12 Monate, indem Sie die beiden Treiber separat projizieren. Schreiben Sie die Annahme für jeden Treiber klar auf; Geben Sie an, welcher Treiber unklarer ist. Verwenden Sie in den Daten nur Zahlen, zeigen Sie Formeln an.

Der Vorteil dieser Methode liegt darin, dass Sie statt „Umsatz steigt um 15 %“ sagen: „Anzahl der Kunden steigt um 8 %, Umsatz pro Kunde steigt um 6 %“. Die beiden können getrennt befragt werden; Wenn einer davon unrealistisch ist, passen Sie die Schätzung von dort aus an. Das Management fragt auch: „Auf welche Annahmen verlassen wir uns?“ kann die Frage konkret beantworten.

Sensibilität und Annahmedisziplin

Die Qualität der Prognose ist die Qualität der Annahmen. Halten Sie die Annahmen immer für die KI sichtbar und aktualisieren Sie sie, sobald sie eintreten (rollende Prognose, d. h. eine fortlaufende Prognose, die jeden Monat aktualisiert wird).

Listen Sie ALLE Annahmen, die Sie in der Prognose verwendet haben, in tabellarischer Form auf: Annahme | Wert | Quelle/Grund | Ändert sich dieser Wert um 10 %, wirkt sich dies auf das Jahresergebnis aus. Kreuzen Sie die drei fragilsten Annahmen an.

Wenn Sie dem Management die prädiktiven Ergebnisse der KI präsentieren, fügen Sie eine „Annahmekarte“ bei: die drei kritischsten Annahmen, ihre Werte und ihre Quellen. Somit ist die Vorhersage keine Black Box mehr; Jeder sieht, worauf er setzt. Und wenn die Erkenntnis abweicht, können Sie schnell diagnostizieren, welche Annahme nicht zutraf, was die nächste Prognose verbessert.

Achtung: Verteidigen Sie die KI-generierte Vorhersage nicht mit der Aussage „Das hat das Modell gesagt.“ Die Verantwortung für die Vorhersage liegt bei der Person, die sie präsentiert. Präsentieren Sie dem Management immer den Grundsatz: „Dies ist ein Szenario, das auf diesen Annahmen basiert, die Aktualisierung kann abweichen.“

Mini-Hüllen

Fall 1 – Prognose, die Saisonalität berücksichtigt. Ein Einzelhandelsunternehmen fütterte KI mit Verkaufsdaten aus 24 Monaten. Das Modell verzeichnete im November-Dezember einen stetigen Anstieg um 40 % und passte seine Prognose für das nächste Jahr entsprechend an. Wenn ein flacher Trend verwendet worden wäre, wäre der Aktienplan zum Jahresende ernsthaft falsch gewesen.

Fall 2 – Die Falle der ungeraden Zahl. Ein Startup basiert sein Budget auf der AI-Prognose „18 Millionen im nächsten Jahr“. Dabei ging man jedoch davon aus, dass „das Wachstum so weitergeht, wie es ist“. 11M wurde realisiert, als zwei Großkunden das Unternehmen verließen. Nachdem die Lektion gelernt war, ging das Team zum Szenariobereich über; Der Prognoseband für das nächste Jahr deckte ab, was tatsächlich passiert ist.

Fall 3 – Sensibilität änderte die Entscheidung. „Die anfälligste Annahme ist der Rohstoffpreis“, sagte AI in einer Herstellerprognose und zeigte, dass eine Preiserhöhung um 10 % den Jahresgewinn um 22 % verringern würde. Anschließend unterzeichnete das Management mit dem Lieferanten einen Festpreis-Jahresvertrag. Der wahre Wert der Prognose lag nicht in der Zahl, sondern in dieser Stimmungseinsicht.

Fall 4 – Rollierende Prognose gewinnt. Ein Einzelhändler aktualisierte seine Jahresprognose jeden Monat mit den tatsächlichen Werten, anstatt sie einmal festzulegen und dann zu vergessen. Im dritten Monat zeigte sich, dass die Annahme „Wachstum 12 %“ tatsächlich 7 % betrug; Die Prognose wurde frühzeitig korrigiert und die Bestands- und Personalplanung zum Jahresende entsprechend angepasst. Hätte man an der festen Prognose festgehalten, hätte es zum Jahresende zu gewaltigen Überbeständen und einem Liquiditätsengpass gekommen. Lektion: Eine Prognose ist ein lebendiges Dokument, sie wird nicht einmal erstellt und weggelegt.

Häufige Fehler

• Ich frage nach einer ungeraden Zahl. Prognosen ohne Spanne und Skript schaffen falsche Gewissheit.
• Annahmen verbergen. Unter unsichtbarer Annahme versteht man eine Vorhersage, die nicht in Frage gestellt und aktualisiert werden kann.
• Sich zu sehr auf die Vergangenheit verlassen. Das Muster erweitert das vergangene Muster; Brüche und äußere Erschütterungen sind nicht sichtbar.
• Eine Vorhersage als Prophezeiung verwechseln. KI kennt die Zukunft nicht; Es berücksichtigt lediglich Ihre Annahmen.
• Keine fortlaufende Prognose erstellen. Stellen Sie die Prognose einmal ein und vergessen Sie sie. wird nicht aktualisiert, wie es passiert.

Zusammenfassend

• Es ist ein leistungsstarker Assistent für KI-Prognosen: Extrahiert Trends und Saisonalität, erstellt Szenarios und erklärt die Logik. aber es kennt die Zukunft nicht und kann externe Schocks nicht erkennen.
• Fragen Sie immer nach einem hypothetischen Bereich und optimistischen/grundlegenden/pessimistischen Szenarien und nicht nach einer einzelnen Zahl.
• Führen Sie die Annahmen klar auf und identifizieren Sie die anfälligste Annahme durch eine Sensitivitätsanalyse.
• Die Verantwortung für die Vorhersage liegt bei der Person, die sie präsentiert; Präsentieren Sie dem Management einen „Szenario-, nicht einen Gewissheits“-Rahmen.
• Aktualisieren Sie die Prognose jederzeit mit der rollierenden Prognose. Einmal installieren und nicht vergessen.

Anwendungsaufgabe

Erhalten Sie tatsächliche Umsatzdaten für mindestens 12 Monate (tatsächlich oder Stichprobe). Erstellen Sie eine 12-Monats-Prognose mit drei Szenarien mit einer leistungsstarken Eingabeaufforderungsvorlage. Entfernen Sie dann die drei fragilsten Annahmen mit der Sensitivitätsaufforderung. Überprüfen Sie die monatliche Wachstumsrate des Basisszenarios des Modells einmal manuell und fassen Sie die Prognose auf einer Folie mit einem „Szenario, nicht Gewissheit“-Rahmen zusammen.

Checkliste

• [ ] Ich habe ausreichend historische Daten bereitgestellt (vorzugsweise monatlich).
• [ ] Ich habe die Annahmen explizit aufgelistet und im Modell auflisten lassen.
• [ ] Ich wollte einen Skriptbereich, keine einzelne Zahl.
• [ ] Ich habe die fragilste Annahme durch eine Sensitivitätsanalyse identifiziert.
• [ ] Ich habe die Wachstumsberechnung des Basisfalls manuell überprüft.
• [ ] Ich habe die Schätzung in einem „Szenario, nicht Gewissheit“-Rahmen dargestellt.